基于过渡矩阵的 Dirichlet 分布的逐样本加权方法用于噪声标签学习
原文中文,约300字,阅读约需1分钟。发表于: 。利用噪声标签的过渡矩阵来实现分类器或风险的统计一致性已经成为先前研究的焦点,而我们提出了一种新的利用方法,基于重新采样的 RENT,并通过 DWS 框架对其与重新加权方法进行了比较。我们的实验证明,RENT 在各种基准数据集上始终优于其他过渡矩阵利用方法,包括重新加权。
本文研究了噪声多标签学习中类相关的转换矩阵的可辨识性,并提出了一种新的估计器,该估计器利用标签相关性而无需锚点或精确拟合噪声类后验概率。通过信息提取纯净标签相关性,并利用这些事件概率暗示的标签相关性的差异,证明了转换矩阵的可辨识性,并通过解决双线性分解问题获得转换矩阵。实验验证了估计器在估计多标签噪声转换矩阵方面的有效性,导致出色的分类性能。